Alibaba nutzt Deep Learning, um Klickrate bei Taobao zu optimieren

Die Vorhersage von Klickrate (CTR) ist ein entscheidender Faktor für moderne Werbesysteme, denn sie bestimmt, wie gut Anzeigen platziert werden und wie stark Nutzerinteraktionen die Effizienz einer Plattform beeinflussen. In einem neuen Forschungsprojekt untersucht Alibaba, wie die CTR auf Basis des umfangreichen Taobao-Datensatzes noch genauer vorhergesagt werden kann.

Der Ansatz beginnt mit klassischen überwachten Lernmodellen wie logistischer Regression und Light‑GBM, die auf statischen Merkmalen wie Nutzer‑Demografie, Anzeigen‑Eigenschaften und Kontextdaten trainiert werden. Diese Modelle liefern schnelle, leicht interpretierbare Benchmarks, sind jedoch begrenzt, wenn es darum geht, komplexe Verhaltensmuster zu erfassen.

Um die Absicht der Nutzer besser abzubilden, werden Verhaltensdaten aus über 100 Millionen Interaktionen in einem Zeitraum von 22 Tagen einbezogen. Durch die Extraktion und Codierung von Nutzer‑Aktionssequenzen entstehen zeitlich geprägte Repräsentationen der Interessen. Diese Verhaltens‑Embeddings werden anschließend mit den statischen Features kombiniert.

Deep‑Learning‑Modelle, insbesondere mehrschichtige Perzeptrone (MLPs), zeigen dabei signifikante Leistungssteigerungen. Um die zeitlichen Dynamiken noch genauer zu modellieren, wurde eine Transformer‑Architektur entwickelt, die mittels Selbst‑Aufmerksamkeit kontextuelle Abhängigkeiten in den Verhaltenssequenzen erfasst. Der Transformer erhöht die AUC um 2,81 % gegenüber dem Basismodell der logistischen Regression und erzielt dabei die größten Verbesserungen bei Nutzern mit vielfältigen oder sich wandelnden Interessen.

Zusätzlich zu den Modellen schlägt die Studie eine A/B‑Testing‑Strategie vor, um die Modelle in realen Umgebungen zu evaluieren und die Wirtschaftlichkeit der Optimierungen zu prüfen.